[发明专利]一种基于SAR和WFV数据的叶面积指数反演模型

说明书

本发明公开了一种基于SAR和WFV数据的叶面积指数反演模型方法，该方法包括如下步骤：步骤1)模型隐含层采用Traindx训练函数和Tan‑Sigmoid传递函数，输出层采用Purelin线性传递函数，并确定初始权值和阈值。步骤2)基于GF‑1WFV影像和GF‑3SAR影像，提取出6种光学与微波极化分解融合植被指数(MEVI‑LAI、MEVI2‑LAI、MMSAVI‑LAI、MNDVI‑LAI、MRVI‑LAI、MSAVI‑LAI)，作为遗传神经网络模型输入变量，并训练变量；步骤3)使训练变量的误差作为适应度值，采用适应度比例、实数交叉和变异三种方法增强训练和优化搜素能力，直到获取最优权值和阈值；步骤4)根据均方根误差RMSE最小为依据，再迭代运算和更新权值和阈值，最终获取最优叶面积指数和反演结果图，该方法经过多源数据协同、算法和神经网络模型融合，进一步提高了叶面积指数反演精度。

技术领域

本发明涉及一种基于SAR和WFV数据的夏玉米叶面积指数反演的遗传算法改进神经网络模型，特别是一种应用高光谱影像(GF-1WFV)和SAR影像(GF-3SAR)卫星数据协同、大面积检测的叶面积指数的方法。

背景技术

叶面积指数(LAI)是生物地球化学循环中重要的植被结构参数之一，与植被的呼吸、光合和蒸腾等生物物理过程及地球生态系统的氮、钾和水循环等密切相关。本文将LAI定义为单位地表面积上所有叶片面积之和的一半。LAI是估算植被覆盖度、监测和预报农作物长势、生物量、产量等的重要指标，因此，快速准确估算LAI对农业监测、生物地球化学循环等具有重要的研究意义。

目前，基于遥感技术的LAI反演模型主要有基于光学遥感影像采用光学植被指数的经验模型和物理模型。其中，大部分学者基于光学影像采用光学植被指数反演LAI，但是忽略了影像容易受到光学信息饱和的影响，使得反演精度降低，普适性较差，缺乏可移植性。赵娟等(2013)采用6种宽带植被指数和4种窄带植被指数反演LAI；何亚娟等(2013)采用NDVI与LAI构建回归模型对甘蔗LAI反演；王立辉等(2016)采用4种光学植被指数反演玉米LAI；Le-Maire等(2012)提出SVI植被指数适合对森林反演LAI；Anne等(2008)证明了MTVI2比NDVI与玉米LAI拟合相关性更强；Jonathan等(2019)证明NDVI比EVI更适合反演大豆LAI；Nahuel等(2016)基于Rapid Eye影像证明了NDVIre比NDVI和MTVI2与玉米生物量相关性高。上述方法虽然简单、直观，但机理性弱，受植被类型和地域等影响较大，稳定性解释较差。还有少部分学者基于光学影像采用物理模型反演LAI，在精度和效率上相比光学植被指数反演LAI有了很大的提高，但是忽视了光子在植被冠层内复杂的传输过程以及在全生育期的条件下能否满足反演LAI高精度的要求。马茵驰等通过建立SAILH模型与裸土反射率组成的线性光谱混合模型，在人工神经网络的基础上进行LAI反演；结果表明，此方法能够较好的获取大区域的LAI；Jacquemoud等在冠层生物物理和辐射传输模型背景下对PROSAIL模型的发展进行了回顾；谷成燕等采用PROSAIL辐射传输模型建立毛竹林LAI和冠层反射率查找表，并结合Landsat TM卫星遥感数据，实现了毛竹林LAI的定量反演，结果说明了PROSAIL各输入参数的敏感性和反演结果与实测值的一致性；梁栋等(2014)采用LS-SVM模型反演农作物LAI用来弥补遥感时间序列缺失问题；Kandasamy等利用SAIL和GEOSAIL模型评估复杂的冠层结构对LAI估值的影响；Wang等(2019)证明NARX神经网络递归更新模型反演LAI，在反演速率上较传统神经网络模型快。Durbha等采用SVM技术的SVR对LAI输入数据有良好的概括能力，且运算效率较高；Baret等证明NN是处理复杂、多维、非线性关系的理想方法，运算效率较高，表现出很好的反演精度；Herrmann等证明PLS能一定程度地克服统计量中多重共线性和随机噪声的影响，因此特别适于处理高光谱数据反演LAI。上述模型机理性强，使用的植被类型和空间范围更广，但模型参数较多且难获取，存在模型反演的病态问题。